GitHub 开源 MimiClaw：5.6k Star，$5 的 ESP32 芯片跑完整 AI 助手——没有 Linux，全用 C 写的

硬件：不是树莓派，不是 Mac mini，是个拇指大的芯片

项目运行在 ESP32-S3 开发板上，只需三样东西：

物料规格大约价格ESP32-S3 开发板16MB Flash + 8MB PSRAM~$10USB Type-C 线供电 + 刷固件你有API KeyAnthropic 或 OpenAI按量付费

ESP32-S3 有一颗双核 Xtensa LX7 处理器、8MB PSRAM、16MB Flash。MimiClaw 将两颗核明确分工：一颗核跑 WiFi 网络 I/O 和 Telegram 长轮询，另一颗核跑 AI 推理和工具调用。

整个系统的常驻内存占用控制得很紧。PSRAM 里跑 HTTP 客户端 + JSON 解析 + WebSocket，Flash 里用 SPIFFS 存记忆文件和聊天记录——不进 DRAM。关键路径上的内存分配全是静态的，没有 malloc 碎片。

这就是纯 C 在嵌入式上的底气。如果这项目用 Python 写——光一个解释器就先把内存吃光了。

MimiClaw——ESP32-S3 上的纯 C AI 助手，通过 Telegram 交互

它不是“问一句答一句”的聊天机器人

大多数 ESP32 + AI 项目做的事：发一条消息 → 调一次 API → 显示回复。完。

MimiClaw 做的是 ReAct 智能体循环（来源：GitHub README + 源码中的 agent loop 架构）：

用户消息 → LLM 思考 → 需要查记忆？→ 读 MEMORY.md
→ 需要搜索？→ 调 Tavily/Brave Search API
→ 需要设闹钟？→ 写 cron.json
 → 所有工具调用完成 → LLM 再次思考 → 生成最终回复
 → 这次的对话和发现自动写入 MEMORY.md 和每日笔记

这是一套完整的“感知 → 思考 → 行动 → 记忆”闭环。代码跑在 ReAct 循环里，直到 LLM 觉得“这个任务我做完了”才退出循环输出回复。

说人话：你让它“每天早上八点搜一下嵌入式相关的 GitHub trending 项目，总结成一条消息发我”——它能干。

它会自己在 cron.json 里写一条定时任务，到时间触发、搜网页、总结、发 Telegram。全程不需要你碰代码。

上手：克隆仓库，改个配置文件，烧进去

MimiClaw 的安装门槛比它做的事低得多。你只需要 ESP-IDF v5.5+ 环境。

git clone https://github.com/memovai/mimiclaw.git
cd mimiclaw
idf.py set-target esp32s3

然后复制配置文件，填四样东西：

// main/mimi_secrets.h
#define MIMI_SECRET_WIFI_SSID "你的WiFi名"
#define MIMI_SECRET_WIFI_PASS "WiFi密码"
#define MIMI_SECRET_TG_TOKEN "123456:ABC-DEF..." // @BotFather 创建
#define MIMI_SECRET_API_KEY "sk-ant-api03-..." // Anthropic 或 OpenAI

可以选择性开启网页搜索（Tavily 或 Brave Search API key）。

然后：

idf.py fullclean && idf.py build
idf.py -p /dev/ttyACM0 flash monitor

板子启动后自动连 WiFi、连 Telegram。你在手机 Telegram 上给你的 bot 发消息——它就回了。

有一个细节值得注意：MimiClaw 的 CLI 支持运行时改配置，不需要重新编译。把板子插上串口，敲：

mimi> set_model_provider openai # 从 Claude 切到 GPT
mimi> set_model gpt-4o # 换模型
mimi> wifi_set 新WiFi 新密码 # 换网络

这些配置存在 NVS 里，断电不丢。这意味着你把固件烧好、板子装进外壳、扔到某个角落——以后想改配置，插根 USB 线敲串口就行。不需要重刷。

记忆系统：四份纯文本文件，全存在 Flash 里

MimiClaw 的记忆系统设计值得单独拿出来说。没有用 SQLite，没有用嵌入式数据库——四份 Markdown 文件存在 SPIFFS 上：

文件作用谁写SOUL.md机器人格——你编辑它，AI 按这人设行事你USER.md关于你的信息——名字、偏好、语言你MEMORY.md长期记忆——AI 把自己觉得重要的事写进来AIHEARTBEAT.md待办任务——AI 定期检查并按优先级行动你和 AIcron.json定时任务——AI 自己创建和管理的调度表AI

这套设计的妙处：你拿任何文本编辑器打开这些文件，就能直接读、直接改。AI 写的记忆你看得懂，你写的指令 AI 读得懂。

一个真实的用例链条：

1. 你在 USER.md 里写：“我在做 STM32H7 的无人机飞控项目，用 C 和 Rust。”
2. 你给 bot 发：“帮我搜一下最近 STM32H7 飞控相关的开源项目。”
3. 它调 Tavily 搜索 → 读 MEMORY.md 确认你的项目背景 → 筛选跟你相关的 → 回你
4. 它把这次搜索的关键发现写进 MEMORY.md：“2026-07-29 发现在 GitHub 上有个新的 H7 飞控项目 XX...”

第二天你问“上次那个 H7 飞控项目叫什么来着”——它查一下 MEMORY.md 就答出来了。

这套东西用 Node.js + SQLite 在树莓派上实现不稀奇。稀奇的是它跑在 8MB PSRAM 的 ESP32 上，纯 C，全本地。

定时任务 + 心跳：AI 能自己安排自己的日程

MimiClaw 内置了一个 cron 调度器。你把 cron.json 当成一个微型 crontab——AI 通过 cron_add 工具自己往里写条目。

每一条可以设置重复间隔（“每 N 秒”）或一次性触发（“在 Unix 时间戳 X 触发”）。到时间后，cron 任务的消息被注入 agent loop——AI 醒过来、执行任务、回复你。

心跳服务是另一条线。它定时读 HEARTBEAT.md，发现有未完成的任务项就触发 agent loop。默认 30 分钟检查一次。

结合起来你能做什么？

• “每天早上八点给我发今天嵌入式领域的 GitHub trending”
• “每隔一小时检查一下我的博客是否在线”
• “周五下午五点提醒我下周要交的报告”

这些全都不需要写代码——你用自然语言告诉 bot，它自己在 cron.json 里建任务。

这就是 Agent 和 Chatbot 的分界线。Chatbot 是你找它才会说话。Agent 是你没找它的时候它也在干活。

局限：哪些场景不适合

需要 16MB Flash + 8MB PSRAM 的 ESP32-S3。普通的 ESP32（没有 PSRAM）或者低配的 ESP32-C3 跑不了。项目推荐使用小智 AI 开发板等具体型号，买之前确认 Flash/PSRAM 规格。

依赖外部 LLM API。MimiClaw 自己不跑模型——它通过 HTTPS 调 Anthropic 或 OpenAI 的 API。这意味着你的板子必须连外网，而且 API 按量收费。没有网络它就是一块砖。

不是本地推理。所有智能来自云端 LLM。ESP32-S3 没有 NPU，跑不了 Llama 或 Qwen。如果你要做纯离线 AI 助手——这个方案不适合。看隔壁 esp-ai[2] 或者考虑带 NPU 的板子。

对话延迟取决于 API 响应。板子本身只是桥接——你发消息 → ESP32 转发给 API → 等 API 返回 → 回复。所以响应速度完全取决于 Anthropic/OpenAI 那边的速度，跟板子没关系。在网络差的环境下体验会打折。

安全模型是“你信任你的 ESP32”。所有对话、记忆、API Key 都存在板子上。如果有人物理接触到你的板子，可以通过串口读配置。这不是 MimiClaw 的问题——这是所有物理可接触设备的通用安全问题。

它值不值得搞一块板子试

如果你在做嵌入式 + AI 的交叉领域，MimiClaw 值得花一个下午复现。

不是因为它的功能有多强——树莓派 + Python 能写一个更全的。是因为它用 $5 的芯片 × 纯 C × 全本地记忆 这种组合，证明了嵌入式 AI Agent 可以做到什么程度。

没有 OS 的裸金属 C 程序，内存管理全靠自己算——这本身就是嵌入式工程师最舒服的编程模型。

转发给你们硬件群。告诉他们：$5 的 ESP32 现在能跑 AI Agent 了，带记忆和工具的那种。

JOTO 企业落地观察

• 这类轻量级智能体架构对「企业部署」意味着：可在边缘设备上构建低成本、低侵入的自动化代理节点，但需同步规划 API 密钥生命周期管理与网络策略，避免因单点设备暴露导致凭证泄露。
• 其纯文本记忆设计（如 MEMORY.md）对「RAG 知识工程」构成启示：结构化程度低的文档格式反而提升人工可维护性，适合中小规模知识沉淀场景，但需警惕非结构化文本带来的语义检索瓶颈。
• 运行时串口改配置的能力，对企业「FDE 驻场共创」具有参考价值：允许一线运维人员在无开发介入前提下动态调整 Agent 行为参数，降低智能体现场调优门槛。
• 该方案未引入本地模型推理，说明当前阶段「AI 安全治理」仍需聚焦 API 层面的访问控制、审计日志与速率限制，而非终端侧模型安全——这对资源受限型边缘部署是务实取舍。